CN108021557A - 基于深度学习的不规则实体识别方法 - Google Patents

基于深度学习的不规则实体识别方法 Download PDF

Info

Publication number
CN108021557A
CN108021557A CN201711417342.3A CN201711417342A CN108021557A CN 108021557 A CN108021557 A CN 108021557A CN 201711417342 A CN201711417342 A CN 201711417342A CN 108021557 A CN108021557 A CN 108021557A
Authority
CN
China
Prior art keywords
entity
irregular
word
component
deep learning
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201711417342.3A
Other languages
English (en)
Inventor
王家彬
李霏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
DIGITAL TELEVISION TECHNOLOGY CENTER BEIJING PEONY ELECTRONIC GROUP Co Ltd
Original Assignee
DIGITAL TELEVISION TECHNOLOGY CENTER BEIJING PEONY ELECTRONIC GROUP Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by DIGITAL TELEVISION TECHNOLOGY CENTER BEIJING PEONY ELECTRONIC GROUP Co Ltd filed Critical DIGITAL TELEVISION TECHNOLOGY CENTER BEIJING PEONY ELECTRONIC GROUP Co Ltd
Priority to CN201711417342.3A priority Critical patent/CN108021557A/zh
Publication of CN108021557A publication Critical patent/CN108021557A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • G06F40/295—Named entity recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Machine Translation (AREA)

Abstract

本发明提供一种基于深度学习的不规则实体识别方法，包括如下步骤：步骤一、使用双向长短时记忆循环神经网络和条件随机场模型，为句子中的每个词打标签，分别是B、I、O、HB、HI、DB、DI；步骤二、使用B、I、O三种标签进行规则实体的识别；步骤三、使用HB、HI、DB、DI标签进行不规则实体组件的识别；步骤四、对于任意一对不规则实体组件，使用双向长短时记忆循环神经网络和softmax判断它们是否应该被组合；步骤五、根据步骤三四的结果构建关系图，图的每个顶点对应一个组件，图的每条边表示两个组件的组合关系；步骤六、在图中找到所有完全子图。本发明具有使用关系图自动识别不规则实体、减少人工设计的规则干预、提升模型表示能力的有益效果。

Description

基于深度学习的不规则实体识别方法
技术领域
本发明涉及自然语言处理领域，具体涉及一种基于深度学习的不规则实体识别方法。
背景技术
命名实体识别是信息提取、问答系统、句法分析、机器翻译、面向语义网的元数据标注等应用领域的重要基础工具，在自然语言处理技术走向实用化的过程中占有重要地位。一般来说，命名实体识别的任务就是识别出待处理文本中三大类(实体类、时间类和数字类)、七小类(人名、机构名、地名、时间、日期、货币和百分比)命名实体。
目前互联网中的主要文本挖掘技术常用的方法主要是基于特征或基于核函数的模型。基于特征的模型往往需要设计大量的词法，句法和语义的特征，然后放到像支持向量机(SVM)这样的分类器当中进行分类，其中基于特征的方法最大的问题是要花费大量的时间和精力去构造特征。而另一种基于核函数的方式，虽然不用去建造庞大的特征工程，但如何设计和选择合适的核函数非常困难。
最近，深度学习已被广泛的应用到实体识别当中，这些方法使用很少的特征工程且能获得良好的性能提升。比如目前最先进的实体识别模型采用双向长短时记忆循环神经网络和条件随机场，不需要特征工程，只使用词向量作为特征，便可以达到很好的效果。但是这种模型一般使用BIO标签方案，所以只能识别规则实体(实体是由连续的词构成的，且不和其它实体位置重叠)。现实中，还存在大量的不规则实体(实体由不连续的词构成，且可能和其它实体位置重叠)。为了进行不规则实体的识别，有研究者提出了BIOHD标签方案。该方案包含了7个标签B、I、O、HB、HI、DB、DI。
HB和HI用来表示那些被多个实体共享的词。这些词是多个实体互相重叠的部分，因此称之为实体的头组件(Head Component)。
DB和DI用来表示那些属于不连续实体的词，同时他们不被多个实体所共享，称这些词为非头组件(Non-head Component)。
B和I用来表示那些属于规则实体的词，O用来表示非实体词。
解码时，使用两条规则：
规则1：对于头组件，将其和其他每一个非头组件组合称为不规则实体。
规则2：如果不存在头组件，那么将所有非头组件组合称为一个不规则实体。
这种规则容易出错，不能处理所有的情况。
因此，本领域迫切需要研发出一种能够准确识别不规则实体的方法。
发明内容
本发明之目的是提供一种基于深度学习的不规则实体识别方法，能够使用关系图自动进行不规则实体识别，减少人工设计的规则干预，并且表示能力比人工设计的规则强。
本发明提供一种基于深度学习的不规则实体识别方法，包括如下步骤：
步骤一、使用双向长短时记忆循环神经网络和条件随机场模型，为输入句子中的每一个词打上标签，标签一共有7种，分别是B、I、O、HB、HI、DB、DI；
步骤二、使用B、I、O三种标签进行规则实体的识别；
步骤三、使用HB、HI、DB、DI标签进行不规则实体组件的识别；
步骤四、对于任意一对所述不规则实体组件，使用双向长短时记忆循环神经网络和softmax判断它们是否应该被组合；
步骤五、根据步骤三和步骤四的结果构建一关系图，其中所述关系图的每个顶点对应一个不规则实体组件，所述关系图的每条边表示两个不规则实体组件之间的组合关系；
步骤六、在所述关系图中找到所有完全子图，每个完全子图的所有组件构成一个完整的不规则实体。
优选地，所述步骤一中给定的输入句子x＝x1,x2,......,xn，双向长短时记忆循环神经网络模型首先为句子中的每一个词xi在查找表E中找到一个词向量ei。
优选地，所述双向长短时记忆循环神经网络模型中包含两个LSTM单元，对句子从左到右扫描，对句子从右到左扫描。
优选地，所述步骤二中B表示实体的开始词，I表示实体的结束词，O表示非实体词。
优选地，所述步骤三中HB和HI表示被多个实体共享的词，所述被多个实体共享的词是多个实体互相重叠的部分，称HB和HI为实体的头组件(Head Component)；
DB和DI用来表示属于不连续实体的词，同时所述不连续实体的词不被多个实体所共享，称DB和DI为非头组件(Non-head Component)。
优选地，所述步骤四中对于任意一对所述不规则实体组件，在使用双向长短时记忆循环神经网络和softmax判断它们是否应该被组合的过程中，
对于给定的一对不规则实体组件，首先根据每个不规则实体组件的最后一个词来构造最短依存路径，然后通过双向循环神经网络(Bi-LSTM)从所述最短依存路径中抽取特征。
优选地，所述Bi-LSTM的最上层采用softmax计算组合和/或不组合的概率。
本发明的基于深度学习的不规则实体识别方法相比现有技术具有如下有益效果：
1、本发明的基于深度学习的不规则实体识别方法使用深度学习技术进行实体识别，提出了一种使用双向循环神经网络和条件随机场的实体识别模型，和传统机器学习模型相比，深度学习模型在使用较少特征的情况下，该模型的性能要远远好于基准模型。
2、本发明的基于深度学习的不规则实体识别方法使用关系图自动进行不规则实体识别，减少人工设计的规则干预，表示能力比人工设计的规则强并且通过关系图能够直观地识别出不规则实体。
附图说明
下面将简要说明本申请所使用的附图，显而易见地，这些附图仅用于解释本发明的构思。
图1是本发明的基于深度学习的不规则实体识别方法的流程示意图；
图2是本发明的双向长短时记忆循环神经网络和条件随机场模型的结构示意图；
图3是本发明的基于深度学习的不规则实体识别方法中关系图的解码示意图。
具体实施方式
在下文中，将参照附图描述本发明的基于深度学习的不规则实体识别方法的实施例。
在此记载的实施例为本发明的特定的具体实施方式，用于说明本发明的构思，均是解释性和示例性的，不应解释为对本发明实施方式及本发明范围的限制。除在此记载的实施例外，本领域技术人员还能够基于本申请权利要求书和说明书所公开的内容采用显而易见的其它技术方案，这些技术方案包括对在此记载的实施例做出任何显而易见的替换和修改的技术方案。
本说明书的附图为示意图，辅助说明本发明的构思，示意性地表示各部分的相互关系。请注意，为了便于清楚地表现出本发明实施例的各部分的关系。相同或相似的参考标记用于表示相同或相似的部分。
图1是本发明的基于深度学习的不规则实体识别方法的流程示意图，如图1所述，本发明提出了一种基于深度学习的不规则实体识别方法，包括如下步骤：
步骤一、使用双向长短时记忆循环神经网络(LSTM)和条件随机场模型，为输入句子中的每一个词打上标签，标签一共有7种，分别是B、I、O、HB、HI、DB、DI；
给定一个输入句子x＝x1,x2,......,xn，双向长短时记忆循环神经网络模型首先为给定的输入句子中的每一个词xi在查找表E中找到一个词向量ei。LSTM单元以ei作为输入计算输出hi。双向长短时记忆循环神经网络模型中包含两个LSTM单元，对句子从左到右进行扫描，对句子从右到左进行扫描。双向LSTM不仅能够捕捉当前词之前的上下文信息，也能够捕捉它之后的上下文信息。对应的输出序列为对应的输出序列为将和串接，通过公式对特征进行高级抽象，通过公式Zi＝W2·hi′计算词xi对应的所有可能的标签的概率。
其中，如图2所示，W1和b1分别表示左侧子模型的隐层输入层的参数矩阵和偏置向量，W2表示左侧子模型的隐层输出层的参数矩阵。
在句子标签子模型的顶层，使用条件随机场模型(CRF)来搜索关于输入序列x＝x1,x2,......,xn最优的标签序列它的得分被定义为：其中T表示从某一标签到另一标签的转移值。
步骤二、使用B、I、O三种标签进行规则实体的识别；
其中B表示实体的开始词，I表示实体的结束词，O表示非实体词。比如对于句子“significant[aortic stenosis]disorder is probably not present”，它对应的标签序列应该是“O B I O O O O”，其中疾病实体的开始词“aortic”对应标签B，非开始词“stenosis”对应标签I。
步骤三、使用HB、HI、DB、DI标签进行不规则实体组件的识别；
其中，HB和HI用来表示那些被多个实体共享的词，这些被多个实体共享的词是多个实体互相重叠的部分，因此将HB和HI称之为实体的头组件(Head Component)。DB和DI用来表示那些属于不连续实体的词，同时那些属于不连续实体的词不被多个实体所共享，因此将DB和DI称之为非头组件(Non-head Component)。
例如，对于句子“The aortic root and ascending aorta are moderatelydilated”，它所对应的标签序列为“The/O aortic/DB root/DI and/O ascending/DBaorta/DI are/O moderately/O dilated/HB”，所以组件分别为“aortic root”，“ascending aorta”，“dilated”。
步骤四、对于任意一对不规则实体组件，使用双向长短时记忆循环神经网络和softmax判断它们是否应该被组合；
如图2中的右侧分类子模型所示，给定两个组件(比如，“drop”和“bloodpressure”)，我们首先使用他们最后一个词(比如，“drop”和“pressure”)利用依存树来构造最短依存路径(SDP)(比如，“drop-in-pressure”)。然后，我们使用Bi-LSTM网络从最短依存路径中抽取特征。对于LSTM单元的输入rj来说，它对应的是最短依存路径的第j个词x′j(比如“drop”)，表示为：
其中和表示左侧子模型的LSTM单元的输出向量，同时和对应于原始句子中第i个词xi(比如“drop”)。因此，这里要求x′j和xi对应的是同一个词，即原始句子中的某个词和最短依存路径中的某个词实际对应的是同一个词。
和左侧句子标签子模型类似，右侧分类子模型同样使用双向LSTM，从左到右和从右到左扫描最短依存路径，所以rj输入到两个LSTM单元后会输出两个向量和。因此，这里我们会得到两个序列和其中M表示最短依存路径的长度。然后两个序列的最后一个向量，即和，被传输到Bi-LSTM网络的隐层：
其中W3和b3分别表示隐层的参数矩阵和偏置向量。
最终，Bi-LSTM网络的最上层采用softmax来计算二分类(即组合和/或不组合)的概率：
p＝softmax(W4h′)，
其中，W4表示输出层的参数矩阵，概率较大的类别选择为最终输出的类别。
步骤五、根据步骤三和步骤四的结果构建一个关系图G＝{V,E}，其中V表示关系图的顶点集合，每个顶点对应一个不规则实体组件，而E表示关系图的边集合，每条边表示两个不规则实体组件之间的组合关系，如图3所示。
步骤六、解码目标就是找到关系图G里面的所有完全子图G′，这里完全子图定义是子图里任意两个顶点都有一条边与它们相连。最终，每一个完全子图G′构成了一个完整的不规则实体。
如图3所示，以其中第四个句子为例，此时实体组件关系图有三个完全子图，它们则刚好对应三个实体“chest pain squeezing”，“chest pressure”和“chest tightness”。
以上对本发明的基于深度学习的不规则实体识别方法的实施方式进行了说明。对于本发明的基于深度学习的不规则实体识别方法的具体特征可以根据上述披露的特征的作用进行具体设计，这些设计均是本领域技术人员能够实现的。而且，上述披露的各技术特征并不限于已披露的与其它特征的组合，本领域技术人员还可根据本发明之目的进行各技术特征之间的其它组合，以实现本发明之目的为准。

Claims (7)

1.一种基于深度学习的不规则实体识别方法，其特征在于，包括如下步骤：
步骤一、使用双向长短时记忆循环神经网络和条件随机场模型，为输入句子中的每一个词打上标签，标签一共有7种，分别是B、I、O、HB、HI、DB、DI；
步骤二、使用B、I、O三种标签进行规则实体的识别；
步骤三、使用HB、HI、DB、DI标签进行不规则实体组件的识别；
步骤四、对于任意一对所述不规则实体组件，使用双向长短时记忆循环神经网络和softmax判断它们是否应该被组合；
步骤五、根据步骤三和步骤四的结果构建关系图，其中所述关系图的每个顶点对应一个不规则实体组件，所述关系图的每条边表示两个不规则实体组件之间的组合关系；
步骤六、在所述关系图中找到所有完全子图，每个完全子图的所有组件构成一个完整的不规则实体。
2.根据权利要求1所述的基于深度学习的不规则实体识别方法，其特征在于，所述步骤一中给定的输入句子x＝x1,x2,......,xn，双向长短时记忆循环神经网络模型首先为句子中的每一个词xi在查找表E中找到一个词向量ei。
3.根据权利要求1所述的基于深度学习的不规则实体识别方法，其特征在于，所述双向长短时记忆循环神经网络模型中包含两个LSTM单元，对句子从左到右扫描，对句子从右到左扫描。
4.根据权利要求1所述的基于深度学习的不规则实体识别方法，其特征在于，所述步骤二中B表示实体的开始词，I表示实体的结束词，O表示非实体词。
5.根据权利要求1所述的基于深度学习的不规则实体识别方法，其特征在于，所述步骤三中HB和HI表示被多个实体共享的词，所述被多个实体共享的词是多个实体互相重叠的部分，称HB和HI为实体的头组件(Head Component)；
DB和DI用来表示属于不连续实体的词，同时所述不连续实体的词不被多个实体所共享，称DB和DI为非头组件(Non-head Component)。
6.根据权利要求1所述的基于深度学习的不规则实体识别方法，其特征在于，所述步骤四中对于任意一对所述不规则实体组件，在使用双向长短时记忆循环神经网络和softmax判断它们是否应该被组合的过程中，
对于给定的一对不规则实体组件，首先根据每个不规则实体组件的最后一个词来构造最短依存路径，然后通过双向循环神经网络(Bi-LSTM)从所述最短依存路径中抽取特征。
7.根据权利要求6所述的基于深度学习的不规则实体识别方法，其特征在于，所述Bi-LSTM的最上层采用softmax计算组合和/或不组合的概率。
CN201711417342.3A 2017-12-25 2017-12-25 基于深度学习的不规则实体识别方法 Pending CN108021557A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711417342.3A CN108021557A (zh) 2017-12-25 2017-12-25 基于深度学习的不规则实体识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711417342.3A CN108021557A (zh) 2017-12-25 2017-12-25 基于深度学习的不规则实体识别方法

Publications (1)

Publication Number Publication Date
CN108021557A true CN108021557A (zh) 2018-05-11

Family

ID=62074598

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711417342.3A Pending CN108021557A (zh) 2017-12-25 2017-12-25 基于深度学习的不规则实体识别方法

Country Status (1)

Country Link
CN (1) CN108021557A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109493166A (zh) * 2018-10-23 2019-03-19 深圳智能思创科技有限公司 一种针对电子商务导购场景任务型对话系统的构建方法
CN109783799A (zh) * 2018-12-13 2019-05-21 杭州电子科技大学 一种基于语义依存图的关系提取方法
CN110032737A (zh) * 2019-04-10 2019-07-19 贵州大学 一种基于神经网络的边界组合命名实体识别方法
CN110069779A (zh) * 2019-04-18 2019-07-30 腾讯科技（深圳）有限公司 医疗文本的症状实体识别方法及相关装置
CN110427624A (zh) * 2019-07-30 2019-11-08 北京百度网讯科技有限公司 实体关系抽取方法及装置
CN112989835A (zh) * 2021-04-21 2021-06-18 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 一种复杂医疗实体抽取方法
CN113128225A (zh) * 2019-12-31 2021-07-16 阿里巴巴集团控股有限公司 命名实体的识别方法、装置、电子设备及计算机存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3136257A2 (en) * 2015-08-27 2017-03-01 Xerox Corporation Document-specific gazetteers for named entity recognition
CN106682220A (zh) * 2017-01-04 2017-05-17 华南理工大学 一种基于深度学习的在线中医文本命名实体识别方法
CN106980608A (zh) * 2017-03-16 2017-07-25 四川大学 一种中文电子病历分词和命名实体识别方法及系统
CN107122416A (zh) * 2017-03-31 2017-09-01 北京大学 一种中文事件抽取方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3136257A2 (en) * 2015-08-27 2017-03-01 Xerox Corporation Document-specific gazetteers for named entity recognition
CN106682220A (zh) * 2017-01-04 2017-05-17 华南理工大学 一种基于深度学习的在线中医文本命名实体识别方法
CN106980608A (zh) * 2017-03-16 2017-07-25 四川大学 一种中文电子病历分词和命名实体识别方法及系统
CN107122416A (zh) * 2017-03-31 2017-09-01 北京大学 一种中文事件抽取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
FEI LI等: "Recognizing irregular entities in biomedical text via deep neuralnetworks", 《PATTERN RECOGNITION LETTERS》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109493166A (zh) * 2018-10-23 2019-03-19 深圳智能思创科技有限公司 一种针对电子商务导购场景任务型对话系统的构建方法
CN109493166B (zh) * 2018-10-23 2021-12-28 深圳智能思创科技有限公司 一种针对电子商务导购场景任务型对话系统的构建方法
CN109783799A (zh) * 2018-12-13 2019-05-21 杭州电子科技大学 一种基于语义依存图的关系提取方法
CN110032737A (zh) * 2019-04-10 2019-07-19 贵州大学 一种基于神经网络的边界组合命名实体识别方法
CN110032737B (zh) * 2019-04-10 2022-03-22 贵州大学 一种基于神经网络的边界组合命名实体识别方法
CN110069779A (zh) * 2019-04-18 2019-07-30 腾讯科技（深圳）有限公司 医疗文本的症状实体识别方法及相关装置
CN110069779B (zh) * 2019-04-18 2023-01-10 腾讯科技（深圳）有限公司 医疗文本的症状实体识别方法及相关装置
CN110427624A (zh) * 2019-07-30 2019-11-08 北京百度网讯科技有限公司 实体关系抽取方法及装置
CN110427624B (zh) * 2019-07-30 2023-04-25 北京百度网讯科技有限公司 实体关系抽取方法及装置
CN113128225A (zh) * 2019-12-31 2021-07-16 阿里巴巴集团控股有限公司 命名实体的识别方法、装置、电子设备及计算机存储介质
CN112989835A (zh) * 2021-04-21 2021-06-18 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 一种复杂医疗实体抽取方法

Similar Documents

Publication Publication Date Title
CN108021557A (zh) 基于深度学习的不规则实体识别方法
CN110825881B (zh) 一种建立电力知识图谱的方法
CN103207855B (zh) 针对产品评论信息的细粒度情感分析系统及方法
CN107748757A (zh) 一种基于知识图谱的问答方法
CN108415977A (zh) 一个基于深度神经网络及强化学习的生成式机器阅读理解方法
CN109062939A (zh) 一种面向汉语国际教育的智能导学方法
CN111222318B (zh) 基于双通道双向lstm-crf网络的触发词识别方法
CN112528676A (zh) 文档级别的事件论元抽取方法
CN108228564B (zh) 在众包数据上进行对抗学习的命名实体识别方法、设备及可读存储介质
Lin et al. Deep structured scene parsing by learning with image descriptions
CN113761893B (zh) 一种基于模式预训练的关系抽取方法
CN108154198A (zh) 知识库实体归一方法、系统、终端和计算机可读存储介质
CN110008467A (zh) 一种基于迁移学习的缅甸语依存句法分析方法
CN112966525B (zh) 一种基于预训练模型和卷积神经网络算法的法律领域事件抽取方法
CN111312354A (zh) 基于多智能体强化学习的乳腺病历实体识别标注增强系统
CN110852089B (zh) 基于智能分词与深度学习的运维项目管理方法
CN114077673A (zh) 一种基于btbc模型的知识图谱构建方法
CN106055560A (zh) 一种基于统计机器学习方法的分词字典数据采集方法
CN115329088B (zh) 图神经网络事件检测模型的鲁棒性分析方法
CN110516239A (zh) 一种基于卷积神经网络的分段池化关系抽取方法
CN110909174A (zh) 一种基于知识图谱的简单问答中实体链接的改进方法
CN116341519A (zh) 基于背景知识的事件因果关系抽取方法、装置及存储介质
CN114048314B (zh) 一种自然语言隐写分析方法
CN112084788B (zh) 一种影像字幕隐式情感倾向自动标注方法及系统
CN117725999A (zh) 一种基于提示学习和外部知识嵌入的关系抽取方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20180511

RJ01 Rejection of invention patent application after publication